相關向量機（RVM）是一種稀疏核學習方法，由Tipping於2001年提出，主要用於分類和回歸任務。它通過選擇少量具有代表性的訓練樣本作為支持向量，並利用這些支持向量來構建分類或回歸模型。
RVM模型與支持向量機（SVM）相比具有以下優點：
稀疏性。RVM模型僅選擇少量訓練樣本作為支持向量，因此模型具有稀疏性，計算複雜度較低。
魯棒性。RVM模型對噪聲和異常值具有較強的魯棒性，不易過擬合。
可解釋性。RVM模型的決策函式由支持向量的線性組合構成，因此模型具有較強的可解釋性。
自動相關性決定。RVM使用貝葉斯推斷方法來估計模型參數，並通過最大化邊緣似然函式來選擇相關向量，這一過程被稱為自動相關性決定（Automatic Relevance Determination，ARD），它有助於在模型訓練過程中識別和選擇最重要的特徵。
RVM的缺點包括：
計算成本。儘管RVM在處理小規模數據集時表現良好，但在處理大規模數據集時，其計算成本可能會顯著增加。
參數調整。RVM的性能高度依賴於參數設定，包括核心類型和正則化參數。不恰當的參數選擇可能會影響模型的泛化能力。
在實際套用中，RVM可以通過與其他最佳化算法結合來提高性能，例如痲雀算法（SSA）和海鷗算法等，這些算法可以幫助最佳化RVM的參數，從而提升其在特定任務上的表現。